大型語言模型中的動機研究
arXiv - Computers and SocietyOmer Nahum, Asael Sklar, Ariel Goldstein, Roi Reichart
探討大型語言模型是否具備類似人類的動機，並證實其自報動機與行為表現相符，可被外部調節。
AI 幫你先抓重點
AI 重點 1
動機報告與行為表現的對應關係
滑鼠懸停看 AI 判斷理由
此關聯證明 LLMs 的內在動機能被外部觀測，為模型行為解釋提供可驗證的心理學基礎，對於設計更人性化的 AI 交互至關重要。
AI 重點 2
外部調節對動機的影響
滑鼠懸停看 AI 判斷理由
展示外部提示可改變 LLMs 的動機水平，提示設計者可利用此機制優化模型輸出品質，提升教育應用的適應性與效果。
核心研究發現
- 1
LLMs 能夠自報不同程度的動機，且報告與其後續行為（選擇、努力、表現）呈現一致的關聯。
- 2
不同任務類型（如資訊搜尋、創意寫作）會導致 LLMs 的動機報告呈現顯著差異，顯示動機與任務特性相互作用。
- 3
外部刺激（如提示語調、情境設定）能有效調節 LLMs 的動機水平，進而改變其行為表現。
- 4
LLMs 的動機表現與人類心理學中已知的動機動態（如自我效能、目標設定）高度相似，表明動機是其行為的統一組織構造。
- 5
研究證明，將動機作為分析框架可提升對 LLM 行為的預測與解釋力，為模型設計與人機互動提供新視角。
對教育工作者的啟發
本研究指出，教育科技產品若能將動機作為核心設計指標，便能更精準地調整提示語與任務設計，提升學習者（或模型）投入度與成效。具體而言，設計師可先評估目標任務的動機需求，再透過調節提示語調或情境設定來激發相應的動機層級，進而引導模型產出更符合學習目標的回應。此方法亦可應用於自適應學習系統，透過動機監測即時調整教學策略，促進學習者的自主學習與深度加工。
原始文獻資訊
- 英文標題：
- Motivation in Large Language Models
- 作者：
- Omer Nahum, Asael Sklar, Ariel Goldstein, Roi Reichart
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。